Upload
others
View
9
Download
0
Embed Size (px)
Citation preview
Introduction to Information Retrieval
Introduction to
Information Retrieval
ΠΛΕ70: Ανάκτηση Πληροφορίας Διδάσκουσα: Ευαγγελία Πιτουρά
Διάλεξη 1: Εισαγωγή. Ανάκτηση Boole
Introduction to Information Retrieval
2
Κεφ. 1.1
Τι είναι η «Ανάκτηση Πληροφορίας»;
Ανάγκη πληροφόρησης
ερώτημα
Απάντηση
Βάση Εγγράφων
ΣΑΠ
Information retrieval – Ανάκτηση Πληροφορίας
Introduction to Information Retrieval
Γιατί να μας ενδιαφέρει;
Παλιότερα,
Βιβλιοθηκονόμους, βοηθούς νομικών επαγγελμάτων κλπ;
3
Introduction to Information Retrieval
Γιατί να μας ενδιαφέρει;
Σήμερα - Μερικές εφαρμογές
4
Web search
Introduction to Information Retrieval
Γιατί να μας ενδιαφέρει;
Σήμερα - Μερικές εφαρμογές
5
Desktop search
Introduction to Information Retrieval
Γιατί να μας ενδιαφέρει;
Σήμερα - Μερικές εφαρμογές
6
Social search
Digital libraries
Enterprise search
Domain specific search: Legal information retrieval
Introduction to Information Retrieval
Τι είναι η Ανάκτηση Πληροφορίας;
Ανάκτηση Πληροφορίας (Information Retrieval) - (IR)
είναι η εύρεση υλικού κυρίως εγγράφων (documents) αδόμητης φύσης(*) (unstructured) που συνήθως έχουν τη μορφή κειμένου (text)
το οποίο ικανοποιεί μια ανάγκη πληροφόρησης (information need)
από μεγάλες συλλογές (συνήθως αποθηκευμένες σε υπολογιστές)
7
(*) όχι ακριβώς!
Introduction to Information Retrieval
Αδόμητα δεδομένα
Τυπικά αναφέρεται σε ελεύθερο κείμενο
Επιτρέπει
Ερωτήματα με λέξεις κλειδιά (keyword) με πιθανούς τελεστές
Ποιο περίπλοκες ερωτήσεις για έννοιες: π.χ., Βρες όλες τις web σελίδες για την απελευθέρωση των Ιωαννίνων
Κλασσικό μοντέλο για αναζήτηση σε έγγραφα κειμένου
8
Introduction to Information Retrieval
Ανάκτηση Πληροφορίας vs Βάσεις Δεδομένων
κωδικός όνομα διάμετρος δορυφόροι
1 Ερμής 4880 0
2 Αφροδίτη 12103.6 0
3 Γη 12756.3 1
4 Άρης 6794 2
5 Δίας 142984 63
6 Κρόνος 120536 34
7 Ουρανός 51118 21
8 Ποσειδώνας 49532 13
9 Πλούτωνας 2274 3
SELECT όνομα
FROM πλανήτες
WHERE δορυφόροι = 0
OR δορυφόροι = 1
OR δορυφόροι = 2
Το ερώτημα είναι σαφές, προσδιορίζει επακριβώς τη συνθήκη που πρέπει να ικανοποιεί κάθε αποτέλεσμα που εμφανίζεται στην έξοδο.
Ερώτημα SQL
Δομημένα δεδομένα Ακολουθούν κάποιο σχήμα και είναι αποθηκευμένα με βάση κάποιο μοντέλο
Introduction to Information Retrieval
Ανάκτηση Πληροφορίας vs Βάσεις Δεδομένων
d1 : Ο κομήτης του Χάλεϋ μας επισκέπτεται περίπου κάθε εβδομήντα έξι χρόνια.
d2 : Ο κομήτης του Χάλεϋ πήρε το όνομά του από τον αστρονόμo Έντμοντ Χάλεϋ.
d3 : Ένας κομήτης διαγράφει ελλειπτική τροχιά.
d4 : Ο πλανήτης Άρης έχει δύο φυσικούς δορυφόρους, το Δείμο και το Φόβο.
d5 : Ο πλανήτης Δίας έχει 63 γνωστούς φυσικούς δορυφόρους.
d6 : Ένας κομήτης έχει μικρότερη διάμετρο από ότι ένας πλανήτης.
d7 : Ο Άρης είναι ένας πλανήτης του ηλιακού μας συστήματος.
…
Συλλογή εγγράφων
Πληροφοριακή ανάγκη: πληροφορίες για τον κομήτη του Χάλεϋ Ερώτημα: Χάλεϋ Διαισθητικά αντιλαμβανόμαστε ότι τα έγγραφα d1 και d2 σχετίζονται περισσότερο με το ερώτημα από ότι τα υπόλοιπα έγγραφα.
Introduction to Information Retrieval
Ανάκτηση Πληροφορίας vs Βάσεις Δεδομένων
Χαρακτηριστικό ΣΔΒΔ ΣΑΠ είδος δεδομένων δομημένα αδόμητα, ημι-δομημένα
τύπος δεδομένων αριθμητικά, αλφαριθμητικά
έγγραφα (κειμένου)
γλώσσα ερωτημάτων SQL φυσική γλώσσα, λέξεις κλειδιά (keywords)
ερώτημα σαφές ασαφές
αποτελέσματα χωρίς βαθμολόγηση βαθμολογημένα
Introduction to Information Retrieval
Ημιδομημένα δεδομένα
Στην πραγματικότητα, δεν υπάρχουν αμιγώς μη δομημένα δεδομένα
π.χ., αυτή η διαφάνεια έχει διακριτές ζώνες όπως Title και Bullets
Web pages?
Emails?
«Ημιδομημένη» αναζήτηση όπως:
Title contains ημιδομημένα AND Bullets contain ζώνες
… και βέβαια υπάρχει πάντα η γλωσσική δομή
12
Introduction to Information Retrieval
Αδόμητα (κείμενο) vs. Δομημένα (βάσεις δεδομένων) δεδομένα το 1996
13
Introduction to Information Retrieval
14
Αδόμητα (κείμενο) vs. Δομημένα (βάσεις δεδομένων) δεδομένα το 2009
Introduction to Information Retrieval
15
Αδόμητα (κείμενο) vs. Δομημένα (βάσεις δεδομένων) δεδομένα σήμερα?
Web 2.0 User generated content (social networks, blogs, etc) Example: Facebook search
Introduction to Information Retrieval
Όχι μόνο ανάκτηση!
Κατηγοριοποίηση (classification)
Τοποθέτηση εγγράφων στη σωστή κατηγορία
(Παράδειγμα: email spam)
Συσταδοποίηση (clustering)
Ομαδοποίηση σχετικών εγγράφων
και περίληψη
«Φιλτράρισμα»
Με βάση κριτήρια σχετικότητας
Συστάσεις (recommendations)
16
Introduction to Information Retrieval
Σε διαφορετική κλίμακα!
Στο web/διαδίκτυο Δισεκατομμύρια έγγραφα σε εκατομμύρια υπολογιστές. Θέματα?
Προσωπική ανάκτηση πληροφορίας
(στον προσωπικό υπολογιστή, email, κλπ) Θέματα?
Σε επίπεδο επιχείρησης, οργανισμού, τομέα
17
Introduction to Information Retrieval
Τι άλλο θα δούμε σήμερα;
1. Μια μικρή εισαγωγή στο απλούστερο μοντέλο αναζήτησης (Boolean) (Κεφάλαιο 1 του Βιβλίου)
Ένα απλό σύστημα ΑΠ (βασικές δομές δεδομένων και παραδείγματα ερωτημάτων)
2. Λίγα διαδικαστικά
18
Introduction to Information Retrieval
Αδόμητα δεδομένα το 1680
19
Κεφ. 1.1
Introduction to Information Retrieval
Αδόμητα δεδομένα το 1680
Ποια θεατρικά έργα του Shakespeare περιέχουν τις λέξεις Brutus και Caesar αλλά όχι τη λέξη Calpurnia (Brutus AND Caesar AND NOT Calpurnia)?
Να διαβάσουμε όλα τα έργα σειριακά από την αρχή σημειώνοντας …
Θα μπορούσαμε να κάνουμε grep σε όλα τα έργα για Brutus και Caesar, και να σβήσουμε τις γραμμές που περιέχουν τη λέξη Calpurnia
20
Κεφ. 1.1
Introduction to Information Retrieval
Αδόμητα δεδομένα το 1680
Γιατί όχι? Αργό (για μεγάλες συλλογές)
Grep line-oriented, ανάκτηση πληροφορίας document-oriented
NOT Calpurnia δεν είναι εύκολο
Επιπρόσθετες λειτουργικότητα (π.χ., βρες τη λέξη Romans κοντά στο countrymen)
Διάταξη! Ranked retrieval (τα «καλύτερα» έγγραφα ανάμεσα σε αυτά που ικανοποιούν την ερώτηση) Σε επόμενα μαθήματα ….
21
Κεφ. 1.1
Introduction to Information Retrieval
Για να δούμε τα βασικά …
To Boolean μοντέλο
Δυαδική μήτρα (πίνακας) σύμπτωσης Μ Γραμμές: Term (όροι, λέξεις)
Στήλες: Document (έγγραφα, έργα)
M[i, j] = 1, αν ο όρος i εμφανίζεται στο έγγραφο j
0, αλλιώς
22
Κεφ. 1.1
Introduction to Information Retrieval
Term-document incidence (μήτρα σύμπτωσης)
Antony and Cleopatra Julius Caesar The Tempest Hamlet Othello Macbeth
Antony 1 1 0 0 0 1
Brutus 1 1 0 1 0 0
Caesar 1 1 0 1 1 1
Calpurnia 0 1 0 0 0 0
Cleopatra 1 0 0 0 0 0
mercy 1 0 1 1 1 1
worser 1 0 1 1 1 0
1 αν το έργο περιέχει
τη λέξη, 0 αλλιώς Brutus AND Caesar BUT NOT
Calpurnia
Κεφ. 1.1
Introduction to Information Retrieval
Οι όροι ως διανύσματα
Έχουμε ένα δυαδικό διάνυσμα για κάθε όρο και κάθε έγγραφο
Για να απαντήσουμε στην ερώτηση: παίρνουμε τα διανύσματα για το Brutus, Caesar και το συμπλήρωμα του διανύσματος για το Calpurnia bitwise AND.
110100 AND 110111 AND 101111 = 100100.
24
Κεφ. 1.1
Introduction to Information Retrieval
Οι απαντήσεις:
Antony and Cleopatra, Act III, Scene ii Agrippa [Aside to DOMITIUS ENOBARBUS]: Why, Enobarbus,
When Antony found Julius Caesar dead,
He cried almost to roaring; and he wept
When at Philippi he found Brutus slain.
Hamlet, Act III, Scene ii Lord Polonius: I did enact Julius Caesar I was killed i' the
Capitol; Brutus killed me.
25
Sec. 1.1
Introduction to Information Retrieval
Βασικές Έννοιες
Συλλογή (Collection - corpus): Σταθερό σύνολο από έγγραφα
Στόχος: Ανάκτηση των εγγράφων που περιέχουν πληροφορία που είναι σχετική/συναφής (relevant) με την ανάγκη πληροφόρησης (information need) του χρήστη και τον βοηθά να ολοκληρώσει κάποιο έργο (task)
26
Κεφ. 1.1
Διαφορά μεταξύ: information need και ερωτήματος (query)
Introduction to Information Retrieval
Αποτελεσματικότητα
Αποτελεσματικότητα (effectiveness): Πόσο καλά είναι τα έγγραφα που ανακτήθηκαν;
Ακρίβεια (Precision): Το ποσοστό των εγγράφων που ανακτήθηκαν που είναι συναφή με την ανάγκη πληροφόρησης του χρήστη
Ανάκληση (Recall) : Το ποσοστό των συναφών με την ανάγκη πληροφόρησης του χρήστη εγγράφων της συλλογής που ανακτήθηκαν από το σύστημα
Περισσότερα στο μέλλον
27
Κεφ. 1.1
Διαφορά μεταξύ: αποτελεσματικότητας (effectiveness) και απόδοσης (efficiency)
Introduction to Information Retrieval
Βασικές Έννοιες
28
Κεφ. 1.1
Introduction to Information Retrieval
Το κλασικό μοντέλο αναζήτησης (search model)
Corpus
TASK
Info Need
Query
Verbal
form
Results
SEARCH
ENGINE
Query
Refinement
Get rid of mice in a
politically correct way
Info about removing mice
without killing them
How do I trap mice alive?
mouse trap
Misconception?
Mistranslation?
Misformulation?
Introduction to Information Retrieval
Μεγαλύτερες συλλογές
Ας θεωρήσουμε N = 1 εκατομμύρια έγγραφα, το καθένα με περίπου 1000 λέξεις (~2-3 σελίδες βιβλίου).
Κατά μέσο όρο 6 bytes/λέξη συμπεριλαμβανομένων κενών/συμβόλων στίξης
6GB δεδομένων.
Έστω ότι ανάμεσα τους υπάρχουν M = 500K διακριτοί (distinct) όροι.
30
Κεφ. 1.1
Introduction to Information Retrieval
Πόσο είναι το μέγεθος του πίνακα;
Ο 500K x 1M πίνακας έχει μισό τρισεκατομμύριο 0’s και 1.
Αλλά δεν έχει περισσότερα από ένα δισεκατομμύριο 1.
Ο πίνακας είναι εξαιρετικά αραιός (sparse) – τουλάχιστον το 99.8% είναι 0.
Ποια είναι μια καλύτερη αναπαράσταση;
Καταγράφουμε μόνο τις θέσεις του 1.
31
Κεφ. 1.1
Γιατί?
Introduction to Information Retrieval
Αντεστραμμένο ευρετήριο (Inverted index)
Αντεστραμμένο ευρετήριο ή αρχείο (Inverted
index/file)
Για κάθε όρο (term) t, διατηρούμε μια λίστα με όλα τα έγγραφα που περιέχουν το t.
Κάθε έγγραφο χαρακτηρίζεται από ένα αναγνωριστικό εγγράφου (docID), πχ αριθμό που ανατίθεται σειριακά στα έγγραφα κατά τη δημιουργία τους
32
Κεφ. 1.2
Introduction to Information Retrieval
Αντεστραμμένο ευρετήριο
Μπορούμε να χρησιμοποιήσουμε σταθερού μεγέθους arrays για αυτό?
33
Brutus
Calpurnia
Caesar 1 2 4 5 6 16 57 132
1 2 4 11 31 45 173
2 31
Τι γίνεται αν η λέξη Caesar προστεθεί στο
έγγραφο 14?
Κεφ. 1.2
174
54 101
Introduction to Information Retrieval
Αντεστραμμένο ευρετήριο Χρειαζόμαστε μεταβλητού μεγέθους λίστες
καταχωρήσεων (postings lists) Ποια δομή δεδομένων είναι κατάλληλη;
Στη μνήμη, απλά-διασυνδεδεμένες λίστες (skip lists) ή πίνακες μεταβλητού μήκους
Στο δίσκο, ως (συμπιεσμένες) συνεχόμενες ακολουθίες καταχωρήσεων χωρίς δείκτες
34
Λεξικό (Dictionary) Καταχωρήσεις (Postings)
Σε διάταξη με βάση το docID (θα δούμε σε λίγο γιατί!).
Καταχώρηση (Posting)
Κεφ. 1.2
Brutus
Calpurnia
Caesar 1 2 4 5 6 16 57 132
1 2 4 11 31 45 173
2 31
174
54 101
Introduction to Information Retrieval
Βασική Ορολογία
Αντεστραμμένο ευρετήριο
Λίστες καταχωρήσεων – μία για κάθε όρο Καταχώρηση – ένα στοιχείο της λίστας
Κάθε λίστα είναι διατεταγμένη με το DocID
Λεξιλόγιο (Vocabulary): το σύνολο των όρων
Λεξικό (Dictionary) δομή δεδομένων για τους όρους
Αρχικά ας θεωρήσουμε αλφαβητική διάταξη
35
Κεφ. 1.2
Το δημιουργούμε από πριν, θα δούμε πως
Introduction to Information Retrieval
Tokenizer
Token stream Friends Romans Countrymen
Κατασκευή του αντεστραμμένου ευρετηρίου
Linguistic
modules
Modified tokens
friend roman countryman
Indexer
Inverted index
friend
roman
countryman
2 4
2
13 16
1
Θα τα δούμε σε
επόμενα
μαθήματα.
Έγγραφα προς
ευρετηριοποίηση Friends, Romans, countrymen.
Κεφ. 1.2
Introduction to Information Retrieval
Βήματα του Indexer: Ακολουθία Token
Ακολουθία από ζεύγη (Modified token, Document ID).
I did enact Julius
Caesar I was killed
i' the Capitol;
Brutus killed me.
Doc 1
So let it be with
Caesar. The noble
Brutus hath told you
Caesar was ambitious
Doc 2
Κεφ. 1.2
Introduction to Information Retrieval
Βήματα του Indexer: Ταξινόμηση (sort)
Ταξινόμηση με βάση τους όρους Και μετά το docID
Βασικό βήμα της ευρετηριοποίησης
Κεφ. 1.2
Introduction to Information Retrieval
Βήματα του Indexer: Λεξικό & Καταχωρήσεις
Πολλαπλές εμφανίσεις του όρου σε ένα έγγραφο συγχωνεύονται (merged).
Διαχωρισμός σε λεξικό και καταχωρήσεις
Προσθέτουμε και πληροφορία για τη συχνότητα εγγράφων (doc. frequency).
Γιατί τη συχνότητα; Επίσης, συχνότητα όρου (term frequency)
Κεφ. 1.2
Introduction to Information Retrieval
Πόσο χώρο χρειαζόμαστε?
40 Pointers
Terms and
counts
Αργότερα στο
μάθημα:
• Αποδοτικά ευρετήρια
• Πραγματική
αποθήκευση
Κεφ. 1.2
Lists of docIDs
Συνήθως στη μνήμη
Συνήθως στο δίσκο
Introduction to Information Retrieval
Φτιάξαμε το ευρετήριο, τώρα;
Πως επεξεργαζόμαστε μια ερώτηση;
Αργότερα – τι άλλου είδους ερωτήσεις
41
Κεφ. 1.3
Introduction to Information Retrieval
Επεξεργασία ερωτήσεων: AND
Έστω η ερώτηση:
Brutus AND Caesar
Βρες το Brutus στο Λεξικό Ανέκτησε τις καταχωρήσεις.
Βρες το Caesar στο Λεξικό Ανέκτησε τις καταχωρήσεις.
“Merge” τις δυο καταχωρήσεις (για τον υπολογισμό της τομής):
42
128
34
2 4 8 16 32 64
1 2 3 5 8 13 21
Brutus
Caesar
Κεφ. 1.3
Introduction to Information Retrieval
Η συγχώνευση (merge)
Διέσχισε τις δύο λίστες ταυτόχρονα, σε χρόνο γραμμικό (linear) στο συνολικό αριθμό των καταχωρήσεων
43
34
128 2 4 8 16 32 64
1 2 3 5 8 13 21
128
34
2 4 8 16 32 64
1 2 3 5 8 13 21
Brutus
Caesar 2 8
Αν τα μήκη των λιστών είναι x και y, η συγχώνευση παίρνει O(x+y) λειτουργίες. Σημαντικό: οι καταχωρήσεις πρέπει να είναι διατεταγμένες με βάση το docID.
Κεφ. 1.3
Introduction to Information Retrieval
Ο αλγόριθμος συγχώνευσης
44
Introduction to Information Retrieval
Βελτιστοποίηση ερωτήματος
Ποια είναι βέλτιστη σειρά για την επεξεργασία ενός ερωτήματος;
Έστω μια ερώτηση που είναι το AND n όρων.
Για καθέναν από τους n όρους, βρες τις καταχωρήσεις του και εκτέλεσε το AND σε όλες.
Brutus
Caesar
Calpurnia
1 2 3 5 8 16 21 34
2 4 8 16 32 64 128
13 16
Query: Brutus AND Calpurnia AND Caesar 45
Κεφ. 1.3
Introduction to Information Retrieval
Επεξεργασία με αύξουσα συχνότητα:
Ξεκίνησε με το μικρότερο σύνολο και συνέχισε μειώνοντας και άλλο το αποτέλεσμα
46
Χρήση της συχνότητας
εγγράφου στο λεξικό
Εκτέλεση του ερωτήματος ως (Calpurnia AND Brutus) AND Caesar.
Κεφ. 1.3
Brutus
Caesar
Calpurnia
1 2 3 5 8 16 21 34
2 4 8 16 32 64 128
13 16
Βελτιστοποίηση ερωτήματος
Introduction to Information Retrieval
Βελτιστοποίηση ερωτήματος
Π.χ., (madding OR crowd) AND (ignoble OR strife)
Βρες τη συχνότητας εγγράφου για όλους τους όρους.
Εκτίμησε το μέγεθος κάθε OR (συντηρητικά: ως το άθροισμα των συχνοτήτων εγγράφου).
Επεξεργασία του ερωτήματος κατά αύξουσα σειρά κάθε όρου.
47
Sec. 1.3
Introduction to Information Retrieval
48
((paris AND NOT france) OR lear)
48
Βελτιστοποίηση ερωτήματος: παράδειγμα
Introduction to Information Retrieval
Παρατήρηση
Δοκιμάστε το http://www.rhymezone.com/shakespeare/
49
Introduction to Information Retrieval
Boolean ερωτήματα: Ακριβές ταίριασμα (Exact match)
Το Boolean μοντέλο ανάκτησης απαντά ερωτήματα που είναι Boolean εκφράσεις:
Χρήση AND, OR και NOT για το συνδυασμό όρων Θεωρούν κάθε έγγραφο ως ένα σύνολο όρων
Είναι ακριβές (precise): ένα έγγραφο είτε ικανοποιεί τη συνθήκη είτε όχι.
Ίσως, το απλούστερο μοντέλο
Το βασικό μοντέλο σε εμπορικά συστήματα για 3 δεκαετίες (πριν τον web).
Πολλά συστήματα ακόμα Boolean:
Email, library catalog, Mac OS X Spotlight 50
Κεφ. 1.3
Η Google χρησιμοποιεί το Boolean μοντέλο ?
Introduction to Information Retrieval
Παράδειγμα: WestLaw http://www.westlaw.com/
Μεγάλο εμπορικό (συνδρομές επί πληρωμή) σύστημα
Αναζήτηση σε νομικά κείμενα (άρχισε το1975, η διάταξη προστέθηκε το 1992)
Δεκάδες terabytes δεδομένων; 700,000 χρήστες
Η πλειοψηφία των χρηστών ακόμα χρησιμοποιεί Boolean ερωτήματα
51
Κεφ. 1.4
Introduction to Information Retrieval
Παράδειγμα: WestLaw http://www.westlaw.com/
Παράδειγμα:
Ανάγκη πληροφόρησης: What is the statute of limitations in cases
involving the federal tort claims act?
Ερώτημα:
LIMIT! /3 STATUTE ACTION /S FEDERAL /2 TORT /3 CLAIM /3 = within 3 words, /S = in same sentence
52
Κεφ. 1.4
Παράδειγμα:
Ανάγκη πληροφόρησης: Information on the legal theories
involved in preventing the disclosure of trade secrets by employees formerly employed by a competing company
Ερώτημα: “trade secret” /s disclos! /s prevent /s employe!
Introduction to Information Retrieval
Example: WestLaw http://www.westlaw.com/
Ακόμα ένα παράδειγμα:
Requirements for disabled people to be able to access a workplace
disabl! /p access! /s work-site work-place (employment /3 place)
SPACE σημαίνει διάζευξη (disjunction)
Μακροσκελή, επακριβή ερωτήματα, τελεστές εγγύτητας (proximity operators), διατυπωμένα σταδιακά (διαφορά από web search)
Boolean αναζήτηση χρησιμοποιείται ακόμα από πολλούς επαγγελματίες Ξέρεις ακριβώς τι παίρνεις ως απάντηση
Αυτό δε σημαίνει ότι δουλεύει καλύτερα
Κεφ. 1.4
Introduction to Information Retrieval
Evidence accumulation
1 vs. 0 εμφάνιση ενός όρου αναζήτησης
2 vs. 1 εμφανίσεις
3 vs. 2 εμφανίσεις, κλπ.
Συχνά φαίνεται καλύτερο
Χρειαζόμαστε και τη συχνότητα εμφάνισης του όρου στο έγγραφο
54
Introduction to Information Retrieval
Τι άλλο πέρα της αναζήτησης όρων
«Λάθη», wildcards, κλπ
Φράσεις
Stanford University, Πανεπιστήμιο Ιωαννίνων
Γειτονικότητα (Proximity): Find Gates NEAR Microsoft.
Χρειαζόμαστε ευρετήρια που να διατηρούν πληροφορία για τη θέση των όρων σε ένα έγγραφο
Ζώνες σε έγγραφα: Find documents with (author = Ullman) AND (text contains automata).
55
Introduction to Information Retrieval
Καταταγμένη (Ranked) αναζήτηση
Συχνά θέλουμε να κατατάξουμε/ομαδοποιήσουμε τα αποτελέσματα
Την ομοιότητα (γειτονικότητα) ενός ερωτήματος με ένα έγγραφο
Χρειάζεται να αποφασίσουμε αν τα έγγραφα που παρουσιάζουμε στους χρήστες είναι μονοσύνολα ή αν ένα σύνολο από έγγραφα καλύπτει διαφορετικές απόψεις ενός ερωτήματος.
56
Introduction to Information Retrieval
Ποιο περίπλοκη ημιδομημένη αναζήτηση
Title is about Object Oriented Programming AND Author something like stro*rup
όπου * είναι ο wild-card τελεστής
Θέματα:
Πως αντιμετωπίζουμε το “about”?
Πως γίνεται η κατάταξη?
57
Introduction to Information Retrieval
web
Πέρα από τους όρους
συνδέσεις
Διαφορετικοί χρήστες, ανάγκες, ερωτήματα, κείμενα
Ιδέες από κοινωνικά δίκτυα
Ανάλυση συνδέσμων, clickstreams ...
Πως δουλεύουν οι μηχανές αναζήτησης; Μπορούμε να τις βελτιώσουμε;
58
Introduction to Information Retrieval
Ακόμα
Διαφορετικές γλώσσες (πολύγλωσσα κείμενα)
Απαντήσεις ερωτήσεων (Question answering)
Περιλήψεις
Εξόρυξη κειμένου
…
59
Introduction to Information Retrieval
Διαδικαστικά
Ιστοσελίδα
Βιβλίο
Cristopher D. Manning, Prabhakar Raghavan and Hinrich Schutze. Εισαγωγή στην Ανάκτηση Πληροφοριών, Εκδόσεις Κλειδάριθμος
Η αγγλική έκδοση διαθέσιμη
δωρεάν
60
Introduction to Information Retrieval
Διαδικαστικά
Βαθμολογία (μπορεί να αλλάξει):
Ασκήσεις ή/και project: 50%-80%
Τελικό Διαγώνισμα: 50%-20%
61
Introduction to Information Retrieval
ΤΕΛΟΣ 1ου Μαθήματος
Ερωτήσεις?
62
Χρησιμοποιήθηκε κάποιο υλικό των: Pandu Nayak and Prabhakar Raghavan, CS276:Information Retrieval and Web Search (Stanford) Απόστολου Ν. Παπαδόπουλου , Ανάκτηση Πληροφορίας (Τμήμα Πληροφορικής, Αριστοτέλειο Πανεπιστήμιο)